Procesando datos con el paquete tidyverse

# Procesando datos con el paquete tidyverse
## Ciencias Sociales Computacionales y Humanidades Digitales

---

```r
hook_source <- knitr::knit_hooks$get('source')
knitr::knit_hooks$set(source = function(x, options) {
  x <- stringr::str_replace(x, "^[[:blank:]]?([^*].+?)[[:blank:]]*#<<[[:blank:]]*$", "*\\1")
  hook_source(x, options)
})
```

.remark-slide-content {
    font-size: 25px;
    padding: 1em 1em 1em 1em;
}

.remark-code{
  line-height: 1.5; font-size: 80%
}

@media print {
  .has-continuation {
    display: block;
  }
}

</style>

---

# ¿Qué es [Tidyverse](https://www.tidyverse.org/)?

---
# Tidyverse

.pull-left[
#### `Tidyverse` es una colección de paquetes de R, pensados para denominada "ciencia de datos". 
 
#### Comparten la misma filosofía de uso, por lo que trabajan en armonía entre unos y otros.
]

<img src="data:image/png;base64,#C:/Users/pablo/Documents/Pablo/Cursos R/R+UNSAM/M1_Diplo_CSS/Clase 3 - Tidyverse/img/tidyverse.png" width="781" style="display: block; margin: auto;" />
]

---

# ¿Por qué tidyverse?

---
# __¿Por qué tidyverse?__

- ### Orientado a ser leído y escrito por y para seres humanos

- ### Funciones no pensadas para una tarea específica sino para un proceso de trabajo

- ### Su comunidad, basada en los principios del código abierto y trabajo colaborativo

---
# __Instalación y uso__

* Sólo una vez (por computadora):
```r
install.packages("tidyverse")
```

* En cada inicio de sesión de R o Rstudio:
```r
library(tidyverse)
```
 
--

_No es necesario esto:_

```r
install.packages("dplyr")
install.packages("tidyr")
install.packages("ggplot2")
```

---
# Hoja de ruta

### Presentación de los paquetes `dplyr` y `tidyr`

## ✔️ dplyr

☑️️ `select()`   ☑️️ `filter()`

☑️️ `mutate()`   ☑️️ `rename()`

☑️️ `arragne()`  ☑️️ `summarise()`

☑️️ `group_by()`

]

## ✔️ tidyr
    
☑️ `pivot_longer()` ☑️ `pivot_wider()`

<br>

## ✔️ magrittr

☑️ `%>%`

]

***

```r
base_covid <- readRDS("Fuentes/base_covid_sample.RDS")
```

---
class: middle, center, inverse
  
  EL PIPE

_<p style="color:grey;" align:"center">Una forma de escribir</p>_

---
# magrittr

### Sin EL PIPE:

```r
table(`base_covid$sexo`)
```

```

F     M    NR 
93963 86742  1975 
```
]

### Con EL PIPE

```r
base_covid$sexo `%>%`
  table()
```

```
.
    F     M    NR 
93963 86742  1975 
```

]

---
# magrittr - una forma de escribir

### Caso: Deseo obtener la distribución relativa de casos por sexo:

#### Funciones:

`table()` - `prop.table()` - `round()`

---
class: middle, center, inverse

---
# dplyr

## Funciones del paquete dplyr:

<br>

| __Función__   | __Acción__ |
| :---          | ---:   |
| `select()`    | *selecciona o descarta variables*|
| `filter()`    | *selecciona filas*|
| `mutate()`    | *crea / edita variables*|
| `rename()`    | *renombra variables*|
| `group_by()`  | *segmenta en funcion de una variable*|
| `summarize()` | *genera una tabla de resúmen*|

---

# __select()__

_<p style="color:grey;" align:"center">Elije o descarta columnas de una base de datos</p>_

---
# select()

### La función tiene el siguiente esquema:

```r
base_de_datos %>% 
* select(id, nombre)
```

---
# select()

### Supongamos que debo realizar un pequeño informe para caracterizar los CASOS COVID-19 registrados en el país, según la __edad__ y __sexo__.

Para ello, en base a la [metadata](http://datos.salud.gob.ar/dataset/covid-19-casos-registrados-en-la-republica-argentina/archivo/fd657d02-a33a-498b-a91b-2ef1a68b8d16), identifico los nombres de las variables en cuestión:  __sexo__ / __edad__

#### Luego, procedemos a cargar las librerías que voy a utilizar:

```r
library(tidyverse)
```

#### Finalmente, creamos un objeto en donde importo la base de datos con la función `readRDS()`:

```r
base_covid <- readRDS("Fuentes/base_covid_sample.RDS")
```

---
# select() - nombre de las variables

### selecciono las columnas que deseo de la base de datos:

```r
base_covid_seleccion <- `base_covid` %>% 
  select(sexo, edad)
```

### Chequeo la operación:

```r
colnames(base_covid_seleccion)
```

```
[1] "sexo" "edad"
```

---
# select() - por posición de la columna

### Supongamos que quiero las columnas __"id_evento_caso"__, __"edad"__ y __"edad_años_meses"__

1) Chequeo la posición de las columnas que deseo:

```r
colnames(base_covid)
```

---
# select() - por posición de la columna

2) Aplico la función `select()` en base a la posición de las columnas:

```r
base_covid_seleccion <- base_covid %>% 
  select(1, 3, 4)
```

### chequeo seleccion:

```r
colnames(base_covid_seleccion)
```

```
[1] "id_evento_caso"  "edad"            "edad_años_meses"
```

---

```r
*base_covid
```
]
 
.panel2-select_1-auto[

```
# A tibble: 182,680 x 25
   id_evento_caso sexo   edad edad_años_meses residencia_pais_~ residencia_prov~
            <dbl> <chr> <dbl> <chr>           <chr>             <chr>           
 1         748361 NR       23 Años            Líbano            SIN ESPECIFICAR 
 2         748780 F        53 Años            Argentina         CABA            
 3         751658 M        44 Años            Argentina         CABA            
 4         755897 F        29 Años            Argentina         CABA            
 5         756503 M        54 Años            Argentina         CABA            
 6         758578 M         2 Años            Argentina         CABA            
 7         762704 M        41 Años            Argentina         CABA            
 8         763097 M        53 Años            Argentina         CABA            
 9         764087 F        70 Años            Argentina         CABA            
10         765127 M        30 Años            Argentina         CABA            
# ... with 182,670 more rows, and 19 more variables:
#   residencia_departamento_nombre <chr>, carga_provincia_nombre <chr>,
#   fecha_inicio_sintomas <date>, fecha_apertura <date>, sepi_apertura <dbl>,
#   fecha_internacion <date>, cuidado_intensivo <chr>,
#   fecha_cui_intensivo <lgl>, fallecido <chr>, fecha_fallecimiento <date>,
#   asistencia_respiratoria_mecanica <chr>, carga_provincia_id <chr>,
#   origen_financiamiento <chr>, clasificacion <chr>,
#   clasificacion_resumen <chr>, residencia_provincia_id <chr>,
#   fecha_diagnostico <date>, residencia_departamento_id <chr>,
#   ultima_actualizacion <date>
```
]

---
count: false
 
# Otra forma de selecionar
.panel1-select_1-auto[

```r
base_covid %>%
* select(2:4)
```
]
 
.panel2-select_1-auto[

```
# A tibble: 182,680 x 3
   sexo   edad edad_años_meses
   <chr> <dbl> <chr>          
 1 NR       23 Años           
 2 F        53 Años           
 3 M        44 Años           
 4 F        29 Años           
 5 M        54 Años           
 6 M         2 Años           
 7 M        41 Años           
 8 M        53 Años           
 9 F        70 Años           
10 M        30 Años           
# ... with 182,670 more rows
```
]

---

## Una más!

---

```r
*base_covid
```
]
 
.panel2-select_2-auto[

---
count: false
 
# Otra forma de selecionar
.panel1-select_2-auto[

```r
base_covid %>%
* select(edad:residencia_departamento_id)
```
]
 
.panel2-select_2-auto[

```
# A tibble: 182,680 x 22
    edad edad_años_meses residencia_pais_~ residencia_provin~ residencia_depart~
   <dbl> <chr>           <chr>             <chr>              <chr>             
 1    23 Años            Líbano            SIN ESPECIFICAR    SIN ESPECIFICAR   
 2    53 Años            Argentina         CABA               SIN ESPECIFICAR   
 3    44 Años            Argentina         CABA               SIN ESPECIFICAR   
 4    29 Años            Argentina         CABA               SIN ESPECIFICAR   
 5    54 Años            Argentina         CABA               SIN ESPECIFICAR   
 6     2 Años            Argentina         CABA               SIN ESPECIFICAR   
 7    41 Años            Argentina         CABA               SIN ESPECIFICAR   
 8    53 Años            Argentina         CABA               SIN ESPECIFICAR   
 9    70 Años            Argentina         CABA               SIN ESPECIFICAR   
10    30 Años            Argentina         CABA               SIN ESPECIFICAR   
# ... with 182,670 more rows, and 17 more variables:
#   carga_provincia_nombre <chr>, fecha_inicio_sintomas <date>,
#   fecha_apertura <date>, sepi_apertura <dbl>, fecha_internacion <date>,
#   cuidado_intensivo <chr>, fecha_cui_intensivo <lgl>, fallecido <chr>,
#   fecha_fallecimiento <date>, asistencia_respiratoria_mecanica <chr>,
#   carga_provincia_id <chr>, origen_financiamiento <chr>, clasificacion <chr>,
#   clasificacion_resumen <chr>, residencia_provincia_id <chr>,
#   fecha_diagnostico <date>, residencia_departamento_id <chr>
```
]

---
class: inverse, middle, center

## Una más!

---

```r
*base_covid
```
]
 
.panel2-select_3-auto[

---
count: false
 
# Otra forma de selecionar
.panel1-select_3-auto[

```r
base_covid %>%
* select(starts_with("residencia"))
```
]
 
.panel2-select_3-auto[

```
# A tibble: 182,680 x 5
   residencia_pais_n~ residencia_provinc~ residencia_departam~ residencia_provi~
   <chr>              <chr>               <chr>                <chr>            
 1 Líbano             SIN ESPECIFICAR     SIN ESPECIFICAR      99               
 2 Argentina          CABA                SIN ESPECIFICAR      02               
 3 Argentina          CABA                SIN ESPECIFICAR      02               
 4 Argentina          CABA                SIN ESPECIFICAR      02               
 5 Argentina          CABA                SIN ESPECIFICAR      02               
 6 Argentina          CABA                SIN ESPECIFICAR      02               
 7 Argentina          CABA                SIN ESPECIFICAR      02               
 8 Argentina          CABA                SIN ESPECIFICAR      02               
 9 Argentina          CABA                SIN ESPECIFICAR      02               
10 Argentina          CABA                SIN ESPECIFICAR      02               
# ... with 182,670 more rows, and 1 more variable:
#   residencia_departamento_id <chr>
```
]

---
class: inverse, middle, center

## Una más!

---

```r
*base_covid
```
]
 
.panel2-select_4-auto[

---
count: false
 
# Otra forma de selecionar
.panel1-select_4-auto[

```r
base_covid %>%
* select(ends_with("id"))
```
]
 
.panel2-select_4-auto[

```
# A tibble: 182,680 x 3
   carga_provincia_id residencia_provincia_id residencia_departamento_id
   <chr>              <chr>                   <chr>                     
 1 06                 99                      0                         
 2 02                 02                      0                         
 3 06                 02                      0                         
 4 02                 02                      0                         
 5 02                 02                      0                         
 6 06                 02                      0                         
 7 02                 02                      0                         
 8 02                 02                      0                         
 9 02                 02                      0                         
10 06                 02                      0                         
# ... with 182,670 more rows
```
]

---
class: inverse, middle, center

## Una más!

---

```r
*base_covid
```
]
 
.panel2-select_5-auto[

---
count: false
 
# Otra forma de selecionar
.panel1-select_5-auto[

```r
base_covid %>%
* select(contains("provincia"))
```
]
 
.panel2-select_5-auto[

```
# A tibble: 182,680 x 4
   residencia_provincia~ carga_provincia_no~ carga_provincia~ residencia_provin~
   <chr>                 <chr>               <chr>            <chr>             
 1 SIN ESPECIFICAR       Buenos Aires        06               99                
 2 CABA                  CABA                02               02                
 3 CABA                  Buenos Aires        06               02                
 4 CABA                  CABA                02               02                
 5 CABA                  CABA                02               02                
 6 CABA                  Buenos Aires        06               02                
 7 CABA                  CABA                02               02                
 8 CABA                  CABA                02               02                
 9 CABA                  CABA                02               02                
10 CABA                  Buenos Aires        06               02                
# ... with 182,670 more rows
```
]

---
class: inverse, middle, center

# _PRÁCTICA_

---
class: inverse, middle

## Práctica

1) Crear un objeto en donde importamos la base de datos COVID (recordar tener en cuenta la extensión del archivo)

2) Crear otro objeto en donde selecciono 3 columnas de interés según sus nombres

3) Crear otro objeto en donde selecciono 3 columnas de interés según su posición

---
class: inverse, middle, center

# filter()

_<p style="color:grey;" align:"center">Define los casos (filas) en base a una condición</p>_

---
# filter()

### La función tiene el siguiente esquema:

```r
base_de_datos %>% 
  filter(condicion)
```

---
# filter()

- ### Por ejemplo:

```r
base %>% 
  `filter(Edad > 70)`
```

---
# filter()

#### Caso: Quiero quedarme unicamente con aquella población que tuvieron __asistencia respiratoria mecánica__. 
 
Según la [metadata](http://datos.salud.gob.ar/dataset/covid-19-casos-registrados-en-la-republica-argentina/archivo/fd657d02-a33a-498b-a91b-2ef1a68b8d16), la variable que necesito para filtrar se llama `asistencia_respiratoria_mecanica`, cuyas categorías son `SI / NO`:

---

```r
*base_covid
```
]
 
.panel2-filter-auto[

---
count: false
 
# filter()
.panel1-filter-auto[

```r
base_covid %>%
* select(id_evento_caso,
*        asistencia_respiratoria_mecanica)
```
]
 
.panel2-filter-auto[

```
# A tibble: 182,680 x 2
   id_evento_caso asistencia_respiratoria_mecanica
            <dbl> <chr>                           
 1         748361 NO                              
 2         748780 NO                              
 3         751658 NO                              
 4         755897 NO                              
 5         756503 NO                              
 6         758578 NO                              
 7         762704 NO                              
 8         763097 NO                              
 9         764087 NO                              
10         765127 NO                              
# ... with 182,670 more rows
```
]

---
count: false
 
# filter()
.panel1-filter-auto[

```r
base_covid %>%
  select(id_evento_caso,
         asistencia_respiratoria_mecanica) %>%
* filter(asistencia_respiratoria_mecanica == "SI")
```
]
 
.panel2-filter-auto[

```
# A tibble: 364 x 2
   id_evento_caso asistencia_respiratoria_mecanica
            <dbl> <chr>                           
 1         773376 SI                              
 2         816251 SI                              
 3         836895 SI                              
 4         852977 SI                              
 5         870899 SI                              
 6         901291 SI                              
 7         904720 SI                              
 8         937062 SI                              
 9         998935 SI                              
10        1125035 SI                              
# ... with 354 more rows
```
]

---
# filter()

#### Operadores para filtrar:

<br>

|Condición |Acción              |
| :---     | :---               |
|          |                    |
| `==`     | *igual*            |
| `%in%`   | *incluye*          |
| `!=`     | *distinto*         |
| `>`      | *mayor que*        |
| `<`      | *menor que*        |
| `>=`     | *mayor o igual que*|
| `<=`     | *menor o igual que*|

]

| Operador | Descripción |
| :---     | :---               |
|          |                    |
| `&`      | *y* - Cuando se cumplen ambas condiciones   |
| &#124;   | *o* - Cuando se cumple una u otra condición   |

]

---
# filter()

### Caso: Quiero quedarme con la población de la _Ciudad Autónoma de buenos Aires_ __o__ de _la provincia Buenos aires_ __y__ que haya recibido asistencia respiratoria mecánica:

<br>

- Provincias CABA o Buenos Aires (`residencia_provincia_nombre %in% c("CABA", "Buenos Aires")`);

- Asistencia respiratorio mecanica (`asistencia_respiratoria_mecanica  == "SI"`);

---

```r
*base_covid
```
]
 
.panel2-filter_1-auto[

---
count: false
 
#filter
.panel1-filter_1-auto[

```r
base_covid %>%
* select(id_evento_caso,
*        residencia_provincia_nombre,
*        asistencia_respiratoria_mecanica)
```
]
 
.panel2-filter_1-auto[

```
# A tibble: 182,680 x 3
   id_evento_caso residencia_provincia_nombre asistencia_respiratoria_mecanica
            <dbl> <chr>                       <chr>                           
 1         748361 SIN ESPECIFICAR             NO                              
 2         748780 CABA                        NO                              
 3         751658 CABA                        NO                              
 4         755897 CABA                        NO                              
 5         756503 CABA                        NO                              
 6         758578 CABA                        NO                              
 7         762704 CABA                        NO                              
 8         763097 CABA                        NO                              
 9         764087 CABA                        NO                              
10         765127 CABA                        NO                              
# ... with 182,670 more rows
```
]

---
count: false
 
#filter
.panel1-filter_1-auto[

```r
base_covid %>%
  select(id_evento_caso,
         residencia_provincia_nombre,
         asistencia_respiratoria_mecanica) %>%
* filter(residencia_provincia_nombre %in% c("CABA","Buenos Aires"))
```
]
 
.panel2-filter_1-auto[

```
# A tibble: 99,818 x 3
   id_evento_caso residencia_provincia_nombre asistencia_respiratoria_mecanica
            <dbl> <chr>                       <chr>                           
 1         748780 CABA                        NO                              
 2         751658 CABA                        NO                              
 3         755897 CABA                        NO                              
 4         756503 CABA                        NO                              
 5         758578 CABA                        NO                              
 6         762704 CABA                        NO                              
 7         763097 CABA                        NO                              
 8         764087 CABA                        NO                              
 9         765127 CABA                        NO                              
10         766173 CABA                        NO                              
# ... with 99,808 more rows
```
]

---
count: false
 
#filter
.panel1-filter_1-auto[

```r
base_covid %>%
  select(id_evento_caso,
         residencia_provincia_nombre,
         asistencia_respiratoria_mecanica) %>%
  filter(residencia_provincia_nombre %in% c("CABA","Buenos Aires")) %>%
* filter(asistencia_respiratoria_mecanica == "SI")
```
]
 
.panel2-filter_1-auto[

```
# A tibble: 200 x 3
   id_evento_caso residencia_provincia_nombre asistencia_respiratoria_mecanica
            <dbl> <chr>                       <chr>                           
 1         773376 CABA                        SI                              
 2         816251 CABA                        SI                              
 3         836895 CABA                        SI                              
 4         852977 CABA                        SI                              
 5         870899 Buenos Aires                SI                              
 6         901291 CABA                        SI                              
 7         904720 CABA                        SI                              
 8         937062 CABA                        SI                              
 9         998935 Buenos Aires                SI                              
10        1125035 CABA                        SI                              
# ... with 190 more rows
```
]

---
class: inverse, middle, center

# _PRÁCTICA_

---
class: inverse, middle

# Práctica

- Crear un objeto que contenga las variables __id_evento_viaje__, __residencia_provincia_nombre__ y __asistencia_respiratoria_mecanica__ y cuya población sea sólo aquella de las __provincias de la Patagonia__ que __NO__ recibió ayuda respiratoria mecánica.

---
class: inverse, middle, center

# _mutate()_

_<p style="color:grey;" align:"center">Creoa / edita variables (columnas)</p>_

---
# mutate()

- ### En R base: 
```r
base_de_dato$var_nueva <- base_de_datos$var_1 + base_de_datos$var_2
```

<br>

- ### En `tidyverse`:
```r
base_de_datos %>% 
   mutate(var_nueva = var_1 + var_2)
```

---
# mutate()

### Caso: Supongamos que quiero crear la variable de año y mes de fallecimiento (variable __fecha_fallecimiento__):

---

```r
*base_covid
```
]
 
.panel2-mutate_1-auto[

---
count: false
 
# mutate()
.panel1-mutate_1-auto[

```r
base_covid %>%
* select(fallecido, fecha_fallecimiento)
```
]
 
.panel2-mutate_1-auto[

```
# A tibble: 182,680 x 2
   fallecido fecha_fallecimiento
   <chr>     <date>             
 1 NO        NA                 
 2 NO        NA                 
 3 NO        NA                 
 4 NO        NA                 
 5 NO        NA                 
 6 NO        NA                 
 7 NO        NA                 
 8 NO        NA                 
 9 NO        NA                 
10 NO        NA                 
# ... with 182,670 more rows
```
]

---
count: false
 
# mutate()
.panel1-mutate_1-auto[

```r
base_covid %>%
  select(fallecido, fecha_fallecimiento) %>%
* filter(fallecido == "SI")
```
]
 
.panel2-mutate_1-auto[

```
# A tibble: 1,402 x 2
   fallecido fecha_fallecimiento
   <chr>     <date>             
 1 SI        2020-03-27         
 2 SI        2020-04-10         
 3 SI        2020-04-19         
 4 SI        2020-05-01         
 5 SI        2020-07-25         
 6 SI        2020-05-02         
 7 SI        2020-05-01         
 8 SI        2020-05-29         
 9 SI        2020-05-05         
10 SI        2020-05-30         
# ... with 1,392 more rows
```
]

---
count: false
 
# mutate()
.panel1-mutate_1-auto[

```r
base_covid %>%
  select(fallecido, fecha_fallecimiento) %>%
  filter(fallecido == "SI") %>%
* mutate(anio = substr(x = fecha_fallecimiento,
*                      start = 1,
*                      stop = 4))
```
]
 
.panel2-mutate_1-auto[

```
# A tibble: 1,402 x 3
   fallecido fecha_fallecimiento anio 
   <chr>     <date>              <chr>
 1 SI        2020-03-27          2020 
 2 SI        2020-04-10          2020 
 3 SI        2020-04-19          2020 
 4 SI        2020-05-01          2020 
 5 SI        2020-07-25          2020 
 6 SI        2020-05-02          2020 
 7 SI        2020-05-01          2020 
 8 SI        2020-05-29          2020 
 9 SI        2020-05-05          2020 
10 SI        2020-05-30          2020 
# ... with 1,392 more rows
```
]

---
count: false
 
# mutate()
.panel1-mutate_1-auto[

```r
base_covid %>%
  select(fallecido, fecha_fallecimiento) %>%
  filter(fallecido == "SI") %>%
  mutate(anio = substr(x = fecha_fallecimiento,
                       start = 1,
                       stop = 4)) %>%
* mutate(mes = substr(x = fecha_fallecimiento,
*                     start = 6,
*                     stop = 7))
```
]
 
.panel2-mutate_1-auto[

```
# A tibble: 1,402 x 4
   fallecido fecha_fallecimiento anio  mes  
   <chr>     <date>              <chr> <chr>
 1 SI        2020-03-27          2020  03   
 2 SI        2020-04-10          2020  04   
 3 SI        2020-04-19          2020  04   
 4 SI        2020-05-01          2020  05   
 5 SI        2020-07-25          2020  07   
 6 SI        2020-05-02          2020  05   
 7 SI        2020-05-01          2020  05   
 8 SI        2020-05-29          2020  05   
 9 SI        2020-05-05          2020  05   
10 SI        2020-05-30          2020  05   
# ... with 1,392 more rows
```
]

---
# mutate() - case_when()

### Función complementaria: `case_when()`, mayormente utilizada para recodificación de variables

---

```r
*base_covid
```
]
 
.panel2-mutate_2-auto[

---
count: false
 
# Recodificando con mutate() y case_when()
.panel1-mutate_2-auto[

```r
base_covid %>%
* select(id_evento_caso, fallecido)
```
]
 
.panel2-mutate_2-auto[

```
# A tibble: 182,680 x 2
   id_evento_caso fallecido
            <dbl> <chr>    
 1         748361 NO       
 2         748780 NO       
 3         751658 NO       
 4         755897 NO       
 5         756503 NO       
 6         758578 NO       
 7         762704 NO       
 8         763097 NO       
 9         764087 NO       
10         765127 NO       
# ... with 182,670 more rows
```
]

---
count: false
 
# Recodificando con mutate() y case_when()
.panel1-mutate_2-auto[

```r
base_covid %>%
  select(id_evento_caso, fallecido) %>%
* mutate(fallecidos_rec = case_when(fallecido == "SI" ~ 1,
*                                   fallecido == "NO" ~ 2))
```
]
 
.panel2-mutate_2-auto[

```
# A tibble: 182,680 x 3
   id_evento_caso fallecido fallecidos_rec
            <dbl> <chr>              <dbl>
 1         748361 NO                     2
 2         748780 NO                     2
 3         751658 NO                     2
 4         755897 NO                     2
 5         756503 NO                     2
 6         758578 NO                     2
 7         762704 NO                     2
 8         763097 NO                     2
 9         764087 NO                     2
10         765127 NO                     2
# ... with 182,670 more rows
```
]

---

```r
*base_covid
```
]
 
.panel2-mutate_3-auto[

---
count: false
 
# Recodificando con mutate() y case_when()
.panel1-mutate_3-auto[

```r
base_covid %>%
* select(id_evento_caso,fallecido, edad)
```
]
 
.panel2-mutate_3-auto[

```
# A tibble: 182,680 x 3
   id_evento_caso fallecido  edad
            <dbl> <chr>     <dbl>
 1         748361 NO           23
 2         748780 NO           53
 3         751658 NO           44
 4         755897 NO           29
 5         756503 NO           54
 6         758578 NO            2
 7         762704 NO           41
 8         763097 NO           53
 9         764087 NO           70
10         765127 NO           30
# ... with 182,670 more rows
```
]

---
count: false
 
# Recodificando con mutate() y case_when()
.panel1-mutate_3-auto[

```r
base_covid %>%
  select(id_evento_caso,fallecido, edad) %>%
* mutate(edad_rango = case_when(edad %in% c(0:18) ~  "0 a 18",
*                               edad %in% c(19:29) ~ "19 a 29",
*                               edad %in% c(30:39) ~ "30 a 39",
*                               edad %in% c(40:49) ~ "40 a 49",
*                               edad %in% c(50:59) ~ "50 a 59",
*                               edad >= 60 ~ "60 o más"))
```
]
 
.panel2-mutate_3-auto[

```
# A tibble: 182,680 x 4
   id_evento_caso fallecido  edad edad_rango
            <dbl> <chr>     <dbl> <chr>     
 1         748361 NO           23 19 a 29   
 2         748780 NO           53 50 a 59   
 3         751658 NO           44 40 a 49   
 4         755897 NO           29 19 a 29   
 5         756503 NO           54 50 a 59   
 6         758578 NO            2 0 a 18    
 7         762704 NO           41 40 a 49   
 8         763097 NO           53 50 a 59   
 9         764087 NO           70 60 o más  
10         765127 NO           30 30 a 39   
# ... with 182,670 more rows
```
]

---
class: inverse, middle, center

# _PRÁCTICA_

---
class: inverse

# Práctica

1) Recodificar la variable __TamañoGrupoViajero__, para que los valores numéricos pasen a ser de texto, con las siguientes categorías:

---
class: inverse

# Práctica

2) En base a la variable contínua de **edad**, crear una nueva variable de tipo categórica con los siguientes rangos:

---
class: inverse, middle, center

# _summarise()_

_<p style="color:grey;" align:"center">Resume la información en una nueva tabla</p>_

---
# summarise()

```r
base_de_datos %>% 
        summarise(var1_resumen = sum(var1),
                  var2_media   = mean(var2),
                  var2_desvio  = sd(var2),
                  var2_cv      = var2_desvio / var2_media * 100)
```

---

```r
*base_covid
```
]
 
.panel2-summarise_1-auto[

---
count: false
 
# _summarise()_
.panel1-summarise_1-auto[

```r
base_covid %>%
* select(id_evento_caso, edad)
```
]
 
.panel2-summarise_1-auto[

```
# A tibble: 182,680 x 2
   id_evento_caso  edad
            <dbl> <dbl>
 1         748361    23
 2         748780    53
 3         751658    44
 4         755897    29
 5         756503    54
 6         758578     2
 7         762704    41
 8         763097    53
 9         764087    70
10         765127    30
# ... with 182,670 more rows
```
]

---
count: false
 
# _summarise()_
.panel1-summarise_1-auto[

```r
base_covid %>%
  select(id_evento_caso, edad) %>%
* summarise(min = min(edad, na.rm = TRUE),
*           max = max(edad, na.rm = TRUE),
*           media = mean(edad, na.rm = TRUE),
*           mediana = median(edad, na.rm = TRUE),
*           desvio = sd(edad, na.rm = TRUE),
*           cv = desvio / media * 100)
```
]
 
.panel2-summarise_1-auto[

```
# A tibble: 1 x 6
    min   max media mediana desvio    cv
  <dbl> <dbl> <dbl>   <dbl>  <dbl> <dbl>
1   -12   121  39.1      37   18.1  46.4
```
]

---
class: inverse, middle, center

# _group_by()_

_<p style="color:grey;" align:"center">Aplica una operación sobre la población de forma segmentada</p>_

---
# group_by()

```r
base_de_datos %>% 
        group_by(variable_de_corte) #<<
```

---

```r
*base_covid
```
]
 
.panel2-group_by_1-auto[

---
count: false
 
# _group_by()_
.panel1-group_by_1-auto[

```r
base_covid %>%
* group_by(residencia_provincia_nombre)
```
]
 
.panel2-group_by_1-auto[

```
# A tibble: 182,680 x 25
# Groups:   residencia_provincia_nombre [25]
   id_evento_caso sexo   edad edad_años_meses residencia_pais_~ residencia_prov~
            <dbl> <chr> <dbl> <chr>           <chr>             <chr>           
 1         748361 NR       23 Años            Líbano            SIN ESPECIFICAR 
 2         748780 F        53 Años            Argentina         CABA            
 3         751658 M        44 Años            Argentina         CABA            
 4         755897 F        29 Años            Argentina         CABA            
 5         756503 M        54 Años            Argentina         CABA            
 6         758578 M         2 Años            Argentina         CABA            
 7         762704 M        41 Años            Argentina         CABA            
 8         763097 M        53 Años            Argentina         CABA            
 9         764087 F        70 Años            Argentina         CABA            
10         765127 M        30 Años            Argentina         CABA            
# ... with 182,670 more rows, and 19 more variables:
#   residencia_departamento_nombre <chr>, carga_provincia_nombre <chr>,
#   fecha_inicio_sintomas <date>, fecha_apertura <date>, sepi_apertura <dbl>,
#   fecha_internacion <date>, cuidado_intensivo <chr>,
#   fecha_cui_intensivo <lgl>, fallecido <chr>, fecha_fallecimiento <date>,
#   asistencia_respiratoria_mecanica <chr>, carga_provincia_id <chr>,
#   origen_financiamiento <chr>, clasificacion <chr>,
#   clasificacion_resumen <chr>, residencia_provincia_id <chr>,
#   fecha_diagnostico <date>, residencia_departamento_id <chr>,
#   ultima_actualizacion <date>
```
]

---
count: false
 
# _group_by()_
.panel1-group_by_1-auto[

```r
base_covid %>%
  group_by(residencia_provincia_nombre) %>%
* summarise(min = min(edad, na.rm = TRUE),
*           max = max(edad, na.rm = TRUE),
*           media = mean(edad, na.rm = TRUE),
*           mediana = median(edad, na.rm = TRUE),
*           desvio = sd(edad, na.rm = TRUE),
*           cv = desvio / media * 100)
```
]
 
.panel2-group_by_1-auto[

```
# A tibble: 25 x 7
   residencia_provincia_nombre   min   max media mediana desvio    cv
   <chr>                       <dbl> <dbl> <dbl>   <dbl>  <dbl> <dbl>
 1 Buenos Aires                    0   121  38.6      37   18.2  47.2
 2 CABA                          -12   121  40.3      38   18.8  46.5
 3 Catamarca                       1    94  37.3      36   17.4  46.7
 4 Chaco                           1    97  37.7      35   17.3  46.0
 5 Chubut                          1    97  38.8      36   16.2  41.7
 6 Córdoba                         1   121  39.0      37   18.8  48.1
 7 Corrientes                      1    95  37.7      35   15.4  40.8
 8 Entre Ríos                      1   101  39.0      37   18.5  47.3
 9 Formosa                         1    89  37.2      36   17.1  46.0
10 Jujuy                           1   121  40.7      39   18.1  44.4
# ... with 15 more rows
```
]

---
# summarise()

### **Caso:** Queremos conocer la estructura etárea de las personas residentes en Capital Federal y la Provincia de Buenos Aires, comparando entre aquellas que fallecieron y las que no, y por sexo.

---

```r
*base_covid
```
]
 
.panel2-group_by_2-auto[

---
count: false
 
# _group_by()_
.panel1-group_by_2-auto[

```r
base_covid %>%
* select(edad,
*        sexo,
*        fallecido,
*        res_provincia = residencia_provincia_nombre)
```
]
 
.panel2-group_by_2-auto[

```
# A tibble: 182,680 x 4
    edad sexo  fallecido res_provincia  
   <dbl> <chr> <chr>     <chr>          
 1    23 NR    NO        SIN ESPECIFICAR
 2    53 F     NO        CABA           
 3    44 M     NO        CABA           
 4    29 F     NO        CABA           
 5    54 M     NO        CABA           
 6     2 M     NO        CABA           
 7    41 M     NO        CABA           
 8    53 M     NO        CABA           
 9    70 F     NO        CABA           
10    30 M     NO        CABA           
# ... with 182,670 more rows
```
]

---
count: false
 
# _group_by()_
.panel1-group_by_2-auto[

```r
base_covid %>%
  select(edad,
         sexo,
         fallecido,
         res_provincia = residencia_provincia_nombre) %>%
* mutate(edad_rango = case_when(edad %in% c(0:18) ~  "0 a 18",
*                               edad %in% c(19:29) ~ "19 a 29",
*                               edad %in% c(30:39) ~ "30 a 39",
*                               edad %in% c(40:49) ~ "40 a 49",
*                               edad %in% c(50:59) ~ "50 a 59",
*                               edad >= 60 ~ "60 o más"),
*        sexo = case_when(sexo == "F" ~ "Femenino",
*                         sexo == "M" ~ "Masculino",
*                         sexo == "NR" ~ "No responde"))
```
]
 
.panel2-group_by_2-auto[

```
# A tibble: 182,680 x 5
    edad sexo        fallecido res_provincia   edad_rango
   <dbl> <chr>       <chr>     <chr>           <chr>     
 1    23 No responde NO        SIN ESPECIFICAR 19 a 29   
 2    53 Femenino    NO        CABA            50 a 59   
 3    44 Masculino   NO        CABA            40 a 49   
 4    29 Femenino    NO        CABA            19 a 29   
 5    54 Masculino   NO        CABA            50 a 59   
 6     2 Masculino   NO        CABA            0 a 18    
 7    41 Masculino   NO        CABA            40 a 49   
 8    53 Masculino   NO        CABA            50 a 59   
 9    70 Femenino    NO        CABA            60 o más  
10    30 Masculino   NO        CABA            30 a 39   
# ... with 182,670 more rows
```
]

---
count: false
 
# _group_by()_
.panel1-group_by_2-auto[

```r
base_covid %>%
  select(edad,
         sexo,
         fallecido,
         res_provincia = residencia_provincia_nombre) %>%
  mutate(edad_rango = case_when(edad %in% c(0:18) ~  "0 a 18",
                                edad %in% c(19:29) ~ "19 a 29",
                                edad %in% c(30:39) ~ "30 a 39",
                                edad %in% c(40:49) ~ "40 a 49",
                                edad %in% c(50:59) ~ "50 a 59",
                                edad >= 60 ~ "60 o más"),
         sexo = case_when(sexo == "F" ~ "Femenino",
                          sexo == "M" ~ "Masculino",
                          sexo == "NR" ~ "No responde")) %>%
* filter(res_provincia %in% c("Buenos Aires",
*                             "CABA"))
```
]
 
.panel2-group_by_2-auto[

```
# A tibble: 99,818 x 5
    edad sexo      fallecido res_provincia edad_rango
   <dbl> <chr>     <chr>     <chr>         <chr>     
 1    53 Femenino  NO        CABA          50 a 59   
 2    44 Masculino NO        CABA          40 a 49   
 3    29 Femenino  NO        CABA          19 a 29   
 4    54 Masculino NO        CABA          50 a 59   
 5     2 Masculino NO        CABA          0 a 18    
 6    41 Masculino NO        CABA          40 a 49   
 7    53 Masculino NO        CABA          50 a 59   
 8    70 Femenino  NO        CABA          60 o más  
 9    30 Masculino NO        CABA          30 a 39   
10    28 Masculino NO        CABA          19 a 29   
# ... with 99,808 more rows
```
]

---
count: false
 
# _group_by()_
.panel1-group_by_2-auto[

```r
base_covid %>%
  select(edad,
         sexo,
         fallecido,
         res_provincia = residencia_provincia_nombre) %>%
  mutate(edad_rango = case_when(edad %in% c(0:18) ~  "0 a 18",
                                edad %in% c(19:29) ~ "19 a 29",
                                edad %in% c(30:39) ~ "30 a 39",
                                edad %in% c(40:49) ~ "40 a 49",
                                edad %in% c(50:59) ~ "50 a 59",
                                edad >= 60 ~ "60 o más"),
         sexo = case_when(sexo == "F" ~ "Femenino",
                          sexo == "M" ~ "Masculino",
                          sexo == "NR" ~ "No responde")) %>%
  filter(res_provincia %in% c("Buenos Aires",
                              "CABA")) %>%
* group_by(sexo, edad_rango)
```
]
 
.panel2-group_by_2-auto[

```
# A tibble: 99,818 x 5
# Groups:   sexo, edad_rango [21]
    edad sexo      fallecido res_provincia edad_rango
   <dbl> <chr>     <chr>     <chr>         <chr>     
 1    53 Femenino  NO        CABA          50 a 59   
 2    44 Masculino NO        CABA          40 a 49   
 3    29 Femenino  NO        CABA          19 a 29   
 4    54 Masculino NO        CABA          50 a 59   
 5     2 Masculino NO        CABA          0 a 18    
 6    41 Masculino NO        CABA          40 a 49   
 7    53 Masculino NO        CABA          50 a 59   
 8    70 Femenino  NO        CABA          60 o más  
 9    30 Masculino NO        CABA          30 a 39   
10    28 Masculino NO        CABA          19 a 29   
# ... with 99,808 more rows
```
]

---
count: false
 
# _group_by()_
.panel1-group_by_2-auto[

```r
base_covid %>%
  select(edad,
         sexo,
         fallecido,
         res_provincia = residencia_provincia_nombre) %>%
  mutate(edad_rango = case_when(edad %in% c(0:18) ~  "0 a 18",
                                edad %in% c(19:29) ~ "19 a 29",
                                edad %in% c(30:39) ~ "30 a 39",
                                edad %in% c(40:49) ~ "40 a 49",
                                edad %in% c(50:59) ~ "50 a 59",
                                edad >= 60 ~ "60 o más"),
         sexo = case_when(sexo == "F" ~ "Femenino",
                          sexo == "M" ~ "Masculino",
                          sexo == "NR" ~ "No responde")) %>%
  filter(res_provincia %in% c("Buenos Aires",
                              "CABA")) %>%
  group_by(sexo, edad_rango) %>%
* summarise(min = min(edad, na.rm = TRUE),
*           max = max(edad, na.rm = TRUE),
*           media = mean(edad, na.rm = TRUE),
*           mediana = median(edad, na.rm = TRUE),
*           desvio = sd(edad, na.rm = TRUE),
*           cv = desvio / media * 100)
```
]
 
.panel2-group_by_2-auto[

```
# A tibble: 21 x 8
# Groups:   sexo [3]
   sexo      edad_rango   min   max media mediana desvio     cv
   <chr>     <chr>      <dbl> <dbl> <dbl>   <dbl>  <dbl>  <dbl>
 1 Femenino  0 a 18         1    18  11.2      13   5.60  49.9 
 2 Femenino  19 a 29       19    29  24.6      25   3.07  12.5 
 3 Femenino  30 a 39       30    39  34.3      34   2.87   8.36
 4 Femenino  40 a 49       40    49  44.3      44   2.85   6.43
 5 Femenino  50 a 59       50    59  54.2      54   2.88   5.32
 6 Femenino  60 o más      60   120  71.7      69   9.70  13.5 
 7 Femenino  <NA>         -12    -8 -10       -10   2.83 -28.3 
 8 Masculino 0 a 18         0    18  10.4      11   5.70  54.7 
 9 Masculino 19 a 29       19    29  24.6      25   3.08  12.5 
10 Masculino 30 a 39       30    39  34.4      34   2.85   8.29
# ... with 11 more rows
```
]

---
class: middle, center, inverse
  
<img src="data:image/png;base64,#C:/Users/pablo/Documents/Pablo/Cursos R/R+UNSAM/M1_Diplo_CSS/Clase 3 - Tidyverse/img/logo tidyr.png" width="50%" style="display: block; margin: auto;" />

---
# Funciones del paquete tidyr:

<br>

| __Función__      | __Acción__ |
| :---             | ---:       |
| `pivot_longer()` | *Transforma en filas varias columnas*|
| `pivot_wider()`  | *transforma en columnas varias filas*|

---
# estructura de datos

]

]

---
class: inverse, middle, center

# _pivot_longer()_

_<p style="color:grey;" align:"center">Reestructura la base, apilando varias columnas en una. De ancho a largo</p>_

---

```r
*base_covid
```
]
 
.panel2-pivot_longer_1-auto[

---
count: false
 
# _pivot_longer()_
.panel1-pivot_longer_1-auto[

```r
base_covid %>%
* group_by(residencia_provincia_nombre)
```
]
 
.panel2-pivot_longer_1-auto[

---
count: false
 
# _pivot_longer()_
.panel1-pivot_longer_1-auto[

```r
base_covid %>%
  group_by(residencia_provincia_nombre) %>%
  summarise(min = min(edad, na.rm = TRUE),
            max = max(edad, na.rm = TRUE),
            media = mean(edad, na.rm = TRUE),
            mediana = median(edad, na.rm = TRUE),
            desvio = sd(edad, na.rm = TRUE),
            cv = desvio / media * 100) %>%
* select(residencia_provincia_nombre,
*        media, mediana, desvio)
```
]
 
.panel2-pivot_longer_1-auto[

```
# A tibble: 25 x 4
   residencia_provincia_nombre media mediana desvio
   <chr>                       <dbl>   <dbl>  <dbl>
 1 Buenos Aires                 38.6      37   18.2
 2 CABA                         40.3      38   18.8
 3 Catamarca                    37.3      36   17.4
 4 Chaco                        37.7      35   17.3
 5 Chubut                       38.8      36   16.2
 6 Córdoba                      39.0      37   18.8
 7 Corrientes                   37.7      35   15.4
 8 Entre Ríos                   39.0      37   18.5
 9 Formosa                      37.2      36   17.1
10 Jujuy                        40.7      39   18.1
# ... with 15 more rows
```
]

---
count: false
 
# _pivot_longer()_
.panel1-pivot_longer_1-auto[

```r
base_covid %>%
  group_by(residencia_provincia_nombre) %>%
  summarise(min = min(edad, na.rm = TRUE),
            max = max(edad, na.rm = TRUE),
            media = mean(edad, na.rm = TRUE),
            mediana = median(edad, na.rm = TRUE),
            desvio = sd(edad, na.rm = TRUE),
            cv = desvio / media * 100) %>%
  select(residencia_provincia_nombre,
         media, mediana, desvio) %>%
* pivot_longer(cols = c(media, mediana, desvio),  #<<
*              names_to = "variable",
*              values_to = "valor")
```
]
 
.panel2-pivot_longer_1-auto[

```
# A tibble: 75 x 3
   residencia_provincia_nombre variable valor
   <chr>                       <chr>    <dbl>
 1 Buenos Aires                media     38.6
 2 Buenos Aires                mediana   37  
 3 Buenos Aires                desvio    18.2
 4 CABA                        media     40.3
 5 CABA                        mediana   38  
 6 CABA                        desvio    18.8
 7 Catamarca                   media     37.3
 8 Catamarca                   mediana   36  
 9 Catamarca                   desvio    17.4
10 Chaco                       media     37.7
# ... with 65 more rows
```
]

---
class: inverse, middle, center

# _pivot_wider()_

_<p style="color:grey;" align:"center">Reestructura la base, encolumnando varias filas de una variable. De largo a ancho</p>_

---

```r
*base_largo
```
]
 
.panel2-pivot_wider_1-auto[

---
count: false
 
# _pivot_wider()_
.panel1-pivot_wider_1-auto[

```r
base_largo %>%
* pivot_wider(names_from = "variable",  #<<
*             values_from = "valor")
```
]
 
.panel2-pivot_wider_1-auto[